CP-Agent：面向细胞形态画像的上下文感知多模态推理

细胞绘画结合了多重荧光染色、高内涵成像和定量分析，生成高维表型读数，以支持各种下游任务，例如作用机制 (MoA) 推断、毒性预测和药物疾病图谱构建。然而，现有的工作流程速度慢、成本高且难以解释。药物筛选建模方法主要侧重于分子表征学习，而忽略了实际的实验背景（例如细胞系、给药方案等），限制了泛化和 MoA 分辨率。我们引入了 CP-Agent，这是一种代理多模态大语言模型 (MLLM)，能够为药物扰动下的细胞形态变化生成机制相关的、人类可解释的基本原理。 CP-Agent 的核心是利用上下文感知对齐模块 CP-CLIP，该模块联合嵌入高内容图像和实验元数据，以实现稳健的处理和 MoA 区分（最大 F1 分数为 0.896）。通过将 CP-CLIP 输出与代理工具的使用和推理相集成，CP-Agent 将基本原理编译成结构化报告，以指导实验设计和假设细化。这些功能凸显了 CP-Agent 通过实现更可解释、可扩展和上下文感知的表型筛选来加速药物发现的潜力 - 简化药物发现中假设生成的迭代周期。